重慶市畜牧科學院畜牧工程研究所近期在豬舍空氣污染物濃度預測方面的研究取得一定進展,，研究結果表明,，PSO-LSTM和PSO-RNN模型在實際預測時確定系數R2能達0.94以上,，且對未來1-4個時間點均具備較好的預測能力（R2>0.91）,該結果為養(yǎng)殖環(huán)境智能化調控提供了參考依據，相關研究以“Prediction of Ammonia Concentration in a Pig House Based on Machine Learning Models and Environmental Parameters”為題，發(fā)表在期刊《Animals》。
規(guī)模化養(yǎng)殖中,，NH3濃度是評價豬舍環(huán)境的重要指標之一,。豬舍內NH3濃度過高，會影響豬的正常生長,，導致免疫力和生產性能下降,。此外，豬舍排放的NH3可能會引發(fā)豬場工人和附近居民引發(fā)呼吸道疾病,。因此,，開發(fā)幫助管理者預測豬舍內NH3濃度變化的工具，及時采取措施降低氨氣濃度,，減小氨氣對人類和動物健康的潛在壓力,，對提高動物生產、動物福利和環(huán)境管理具有重要意義,。
本團隊采用傳統機器學習和深度學習作為基礎算法,，從特征參數和算法選擇的角度同時評估了決策樹（DT）、SVM,、XGBoost,、LSTM、RNN和BPNN等多種模型預測豬舍NH3濃度的準確性,。在篩選出重要環(huán)境參數和基礎算法后進行了模型的優(yōu)化和組合嘗試，并對未來不同時間尺度（1-6個時間點）豬舍NH3預測能力進行了評價,。結果表明,，基于LSTM和RNN構建的模型能夠有效地預測豬舍中NH3濃度，它們的確定系數R2最高分別可達0.9348和0.9327,。在輸入適當的環(huán)境參數（如CO2,、H2O、P,、室外溫度）后,，各模型預測氨氣濃度的準確度均優(yōu)于只輸入NH3的情況，而輸入過多的環(huán)境參數后,，各模型的準確度會下降（圖3）,。PSO算法確定了該數據集下，LSTM和RNN模型第一和第二隱藏層中的神經元數量及學習率,，它們預測豬舍NH3濃度時確定系數R2分別提升至0.9447和0.9433,。
相關結果在國內外現有文獻中尚未見報道，對我國預測養(yǎng)殖環(huán)境的氣體污染物調控研究具有借鑒意義,。
圖1 豬舍內部和外部環(huán)境變化
圖2基于隨機森林（a）和皮爾森相關性（b）的豬場環(huán)境變量分析
圖3 僅輸入NH3（第一列）,、輸入NH3、CO2,、H2O,、P和舍外溫度（第二列）以及輸入所有環(huán)境變量（第三列）后，各模型的預測值與原始值之間的比較